Em resumo
- 0
- dados brutos enviados a um servidor central para treinar modelos
- 4
- módulos padronizados para criar e rodar experimentos
- [nº]
- experimentos executados na plataforma
- [nº]
- instituições e equipes usando o ambiente
01 O desafio
Como aprender com milhões de dados sem movê-los?
Veículos conectados geram dados em tempo real que podem tornar a mobilidade mais segura e eficiente. Mas centralizar esses dados esbarra em três barreiras.
Privacidade
Dados de motoristas e segredos industriais das montadoras não podem ficar expostos em um único ponto.
Volume
Transferir grandes bases pelas redes sem fio deixaria o processo lento, caro e instável.
Confiança
Pesquisadores e empresas precisam de um ambiente padronizado, escalável e auditável para experimentar.
02 · A solução
O modelo vai até os dados — não o contrário.
O Flautim é um ambiente completo para executar experimentos de aprendizado de máquina, com foco em aprendizado federado. Cada veículo treina localmente e compartilha apenas o que aprendeu; a plataforma combina esse aprendizado em um modelo global.
O que a plataforma oferece
- Execução automatizada e monitorada de experimentos
- Acesso à infraestrutura de computação do Mover
- Armazenamento padronizado de dados, modelos, métricas e logs
- Orquestração com Kubernetes
- API REST para integração e automação
- Interface web para projetos, datasets, modelos e equipes
03 · Como funciona
Quatro módulos, um fluxo de experimento.
- Common
Prepara o ambiente
Conexão com banco de dados, logs, métricas e contexto de execução.
- Dataset
Padroniza os dados
DataLoaders, divisão entre treino e validação e carga iterativa.
- Model
Versiona os modelos
Versionamento, checkpoints, salvamento e restauração.
- Experiment
Orquestra o treino
Execução centralizada ou federada, integrada ao framework Flower.
04 · Resultados
O que já mudou.
Um ecossistema colaborativo, transparente e auditável para pesquisa em mobilidade conectada no Brasil.
- [nº]
- modelos treinados de forma federada
- [nº]%
- menos tráfego de rede que a abordagem centralizada
- [nº]
- pesquisadores e estudantes formados no projeto
- Métricas (MSE, RMSE, MAE, AUC, F1) registradas automaticamente para comparar versões e estratégias.
- Gestão de equipes, permissões e artefatos em uma única interface web.
- Nova máquina de data center ampliou a capacidade de experimentos federados.
05 · Quem viveu o projeto
[Depoimento principal do parceiro: o problema que existia, o que o projeto permitiu fazer e o impacto percebido. Até 280 caracteres.]
“[Depoimento de pesquisador ou estudante sobre o aprendizado no projeto. Até 200 caracteres.]”
“[Depoimento de usuário da plataforma ou montadora parceira. Até 200 caracteres.]”
Galeria
06 · Próximos passos
Rumo a referência nacional em aprendizado federado.
- ● Em desenvolvimentoAmbiente interativo baseado em Jupyter
- ● Em desenvolvimentoExpansão da capacidade computacional
- ○ Próxima etapaConectores para aprendizado federado em produção
- ○ Próxima etapaNovas funcionalidades da API
Equipe do projeto
COORDENAÇÃOProf. Martín Gómez RavettiSistemas complexos · otimização · DCC-UFMG- [Pesquisador sênior]
- [Pesquisador sênior]
- [Pesquisador]
- [Estudante]
- + [nº] integrantes
Parceiros e fomento
- Fundep
- Programa Mover
- DCC-UFMG
- [Parceiro]
